微调模型集成架构

反模式：给模型单一、宽泛、通用的大问题。Kevin 观察很多公司仍这样做。

正确做法（OpenAI 内部实践）：把问题拆解成更具体的任务。10 个问题可能对应 20 次模型调用：

• 每个任务用专门 fine-tune 的模型
• 按延迟/成本要求选不同尺寸（要推理深度用 o 系列；快速校验用 4o-mini 这类又快又便宜的）
• 每个调用配定制 prompt
• 最后 ensemble 汇总各输出

Fine-tuning 的本质：给模型看"问题 + 好答案"×1000 或 ×10000，让它在特定任务上远超出厂水平。没条件 fine-tune 时的穷人版：在 prompt 里塞几组"示例 + 好答案"（few-shot），模型真的会学——不及 fine-tune 但远超零示例，"人们用得太少"。

内部案例（客服，含基准数字）：4 亿+ 周活用户，客服人员只有约 30-40 人（远小于同规模公司）。做法：模型基于内部知识库、回答指南、人格设定自动回答大部分问题；置信度不足时生成建议答案请人类审核；人类的修正答案又成为模型新的 fine-tuning 数据——形成数据飞轮。

组织含义：未来每个产品团队（不只基础模型公司）会内嵌"准研究员/ML 工程师"角色，因为 fine-tune 会成为产品开发的核心工作流。Kevin 惊讶行业 fine-tuned 模型用得还太少："既然总能让模型在特定用例上表现更好，为什么不做？"

创业空间推论：世界上大部分数据、知识、流程在公司/行业的墙内，不在训练集里。OpenAI 有 300 万 API 开发者，不想也不可能做所有垂直场景（他引 Ev Williams："无论公司多大，墙外的聪明人永远比墙内多"）→ 每个行业/垂直都存在用私有数据 + fine-tune 建 AI 产品、且基础模型公司不会来碾压的机会。